Giới thiệu dự án

Hoạt động tín dụng đối với nhóm khách hàng Doanh nghiệp vừa và nhỏ (DNVVN/SME) đóng vai trò huyết mạch trong nền kinh tế Việt Nam, khi khối doanh nghiệp này chiếm hơn 95% tổng số doanh nghiệp, đóng góp hơn 45% GDP và tạo ra hơn 50% việc làm toàn xã hội. Tuy nhiên, giai đoạn 2019–2021 chứng kiến những biến động chưa từng có do đại dịch COVID-19 làm đứt gãy chuỗi cung ứng toàn cầu, suy giảm thanh khoản và đẩy rủi ro nợ xấu toàn ngành ngân hàng tăng trung bình 135%. Trong bối cảnh phân khúc khách hàng doanh nghiệp lớn dần bão hòa và biên lợi nhuận thu hẹp, các ngân hàng thương mại cổ phần (NHTMCP), tiêu biểu là Ngân hàng TMCP Quân đội (MB), đã xác định SME là phân khúc chiến lược trọng tâm nhằm mở rộng biên lãi ròng (NIM) và tối ưu hóa hiệu quả sử dụng vốn.

+-----------------------------------------------------------------------------------+
|                              BỐI CẢNH NGHIÊN CỨU                                  |
|  - Khối SME: Chiếm >95% tổng số DN, đóng góp >45% GDP                             |
|  - Đại dịch COVID-19: Gia tăng áp lực nợ xấu (+135% toàn ngành)                   |
|  - Khung pháp lý: Thông tư 11/2021/TT-NHNN, Nghị định 39/2018/NĐ-CP                |
|  - Chuyển đổi số: Đẩy mạnh kênh số qua BIZ MBBank Platform                        |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn và bài toán đặt ra (Problem Statement)

Thực tiễn thẩm định và quản trị tín dụng SME tại MB – Chi nhánh Sở giao dịch 1 (SGD1) gặp phải các điểm nghẽn nghiêm trọng (pain points):

  • Bất cân xứng thông tin (Information Asymmetry): Báo cáo tài chính (BCTC) của DNVVN thường thiếu chuẩn hóa, thiếu kiểm toán độc lập và tồn tại độ trễ dữ liệu lớn.
  • Hạn chế về Tài sản bảo đảm (TSBĐ): Đa phần SME thiếu tài sản cố định (TSCĐ) đạt chuẩn định giá, dẫn đến tỷ lệ trích lập dự phòng rủi ro tín dụng (DPRRTD) tiềm năng tăng cao.
  • Độ trễ vận hành trong quy trình truyền thống: Quy trình thẩm định 6 bước thủ công kéo dài từ 3–7 ngày làm việc, làm tăng tỷ lệ chi phí trên thu nhập (CIR) và suy giảm trải nghiệm khách hàng.

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro và các chỉ tiêu đo lường hiệu quả tín dụng SME theo tiêu chuẩn Basel II và Thông tư 11/2021/TT-NHNN.
  2. Phân tích thực trạng danh mục cho vay, biến động nợ xấu (NPL), biên lãi thuần (NIM) và tỷ lệ bao phủ nợ xấu (LLC) tại MB SGD1 giai đoạn 2019–2021.
  3. Thiết kế mô hình chấm điểm tín dụng tự động và quy trình cấp tín dụng số hóa trên nền tảng BIZ MBBank, giúp rút ngắn thời gian xử lý hồ sơ và kiểm soát nợ quá hạn.

Phương pháp tiếp cận và giải pháp

Đề tài kết hợp phương pháp nghiên cứu định tính (phỏng vấn sâu Giám đốc quan hệ khách hàng, Trưởng phòng SME) và phân tích định lượng trên tập dữ liệu thứ cấp (báo cáo thường niên MB, số liệu kế toán quản trị MB SGD1). Giải pháp cốt lõi tập trung vào việc mô hình hóa công thức trích lập dự phòng rủi ro cụ thể $R = \max{0, (A - C)} \times r$, tối ưu hóa tỷ trọng CASA để hạ giá vốn (Cost of Funds), và tích hợp hệ thống kiểm soát tín dụng thời gian thực.

Kết quả kỳ vọng và chỉ số đo lường

  • Kiểm soát chất lượng nợ: Giữ tỷ lệ nợ xấu (NPL) toàn hệ thống dưới 1,00% (năm 2021 MB đạt 0,90%, riêng ngân hàng mẹ đạt 0,68%).
  • Tăng cường đệm an toàn: Nâng tỷ lệ bao phủ nợ xấu (LLC) lên mức $\ge 300%$ (MB đạt 349% trong năm 2021).
  • Tối ưu hóa hiệu quả hoạt động: Giảm chỉ số CIR xuống dưới 35% (đạt 33,06%), duy trì ROE trên 20% (đạt 23,49%).

Phạm vi và giới hạn

  • Không gian: Nghiên cứu trực tiếp tại MB – Chi nhánh Sở giao dịch 1 (SGD1).
  • Thời gian: Chuỗi số liệu phân tích tài chính giai đoạn 2019–2021.
  • Giới hạn: Phân tích tập trung vào danh mục cho vay ngắn hạn, trung dài hạn và tài trợ vốn lưu động cho nhóm doanh nghiệp nhỏ, siêu nhỏ và vừa theo phân loại của Nghị định 39/2018/NĐ-CP.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình truyền thống (Manual Underwriting) Mô hình số hóa tự động (BIZ MBBank Framework)
Thời gian xử lý (SLA) 3 – 7 ngày làm việc 15 – 30 phút (đối với khoản vay phê duyệt trước)
Chi phí vận hành (Unit Cost) Cao, phụ thuộc nhân lực CBTD Giảm 65% nhờ tự động hóa luồng phê duyệt
Nguồn dữ liệu đánh giá BCTC giấy tờ, thẩm định thực địa Tích hợp Core Banking T24, CIC API, Thuế & Hóa đơn điện tử
Khả năng mở rộng (Scalability) Giới hạn theo biên chế nhân sự Xử lý đồng thời hàng chục nghìn hồ sơ/ngày
Kiểm soát gian lận Dựa trên kinh nghiệm cảm tính Quy tắc nghiệp vụ (Rule-Engine) & Machine Learning Scoring

So sánh vị thế thị trường (Competitive Benchmarking)

  • Nhóm NHTM Nhà nước (Big 4): Ưu thế về nguồn vốn rẻ, mạng lưới lớn, tuy nhiên thủ tục phê duyệt tín dụng SME còn nhiều tầng nấc, yêu cầu TSBĐ nghiêm ngặt.
  • Nhóm Fintech / Cho vay ngang hàng (P2P Lending): Thủ tục giải ngân tức thì nhưng lãi suất cho vay rất cao (18–25%/năm), hạn mức nhỏ và thiếu tính ổn định về mặt pháp lý.
  • Mô hình của MB SGD1: Kết hợp sức mạnh tài chính của NHTMCP Top đầu (Vốn điều lệ 37.783 tỷ đồng, Tổng tài sản 607.140 tỷ đồng) với nền tảng ngân hàng số BIZ MBBank, mang lại lãi suất cạnh tranh cùng tốc độ giải ngân siêu tốc.

Ma trận phân loại yêu cầu hệ thống (MoSCoW Matrix)

  • Must-have (Bắt buộc): Tự động phân loại nợ 5 nhóm theo Thông tư 11/2021/TT-NHNN; tính toán chính xác số trích lập dự phòng chung (0,75%) và dự phòng cụ thể theo tỷ lệ $r \in {0%, 5%, 20%, 50%, 100%}$.
  • Should-have (Cần có): Tích hợp luồng dữ liệu CIC thời gian thực để chặn hồ sơ nợ xấu nhóm 3–5 trong vòng 5 năm gần nhất.
  • Could-have (Có thể có): Chấm điểm hành vi giao dịch tài khoản thanh toán (CASA scoring) để cấp hạn mức thấu chi tín chấp.
  • Won't-have (Chưa triển khai): Tự động giải ngân khoản vay trung dài hạn theo dự án phức tạp không qua thẩm định thực tế của CBTD.

Thiết kế hệ thống

Technology Stack và hạ tầng

  • Ngôn ngữ & Framework phân tích dữ liệu: Python 3.10, Pandas 2.0.3, NumPy 1.24.3, Scikit-learn 1.2.2.
  • Hệ thống Backend Service: FastAPI 0.95.2, Uvicorn 0.22.0, Celery 5.2.7 (Async Task Queue).
  • Cơ sở dữ liệu: PostgreSQL 14.5 (Lưu trữ quan hệ và dữ liệu JSONB), Redis 7.0 (Cache tầng tính toán điểm tín dụng).
  • Core Banking Integration: Temenos T24 R20 qua giao thức RESTful Web Services / ISO 8583.
  • Hạ tầng triển khai: Docker 24.0, Kubernetes 1.27, giám sát qua Prometheus 2.45 và Grafana 10.0.

Thiết kế Cơ sở dữ liệu (Database Schema)

-- Bảng khách hàng Doanh nghiệp vừa và nhỏ (SME Portfolio)
CREATE TABLE sme_customers (
    customer_id VARCHAR(20) PRIMARY KEY,
    tax_code VARCHAR(15) UNIQUE NOT NULL,
    company_name VARCHAR(255) NOT NULL,
    sme_type VARCHAR(20) CHECK (sme_type IN ('MICRO', 'SMALL', 'MEDIUM')),
    total_assets NUMERIC(18, 2) NOT NULL,
    annual_revenue NUMERIC(18, 2) NOT NULL,
    employee_count INT NOT NULL,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng hợp đồng tín dụng và trạng thái phân loại nợ
CREATE TABLE credit_contracts (
    contract_id VARCHAR(30) PRIMARY KEY,
    customer_id VARCHAR(20) REFERENCES sme_customers(customer_id),
    loan_amount NUMERIC(18, 2) NOT NULL,
    outstanding_principal NUMERIC(18, 2) NOT NULL,
    collateral_value_deductible NUMERIC(18, 2) DEFAULT 0.00,
    debt_group INT CHECK (debt_group BETWEEN 1 AND 5),
    overdue_days INT DEFAULT 0,
    interest_rate NUMERIC(5, 2) NOT NULL,
    disbursement_date DATE NOT NULL,
    maturity_date DATE NOT NULL
);

-- Bảng trích lập dự phòng rủi ro tín dụng (Loan Loss Provisioning)
CREATE TABLE loan_loss_provisions (
    provision_id SERIAL PRIMARY KEY,
    contract_id VARCHAR(30) REFERENCES credit_contracts(contract_id),
    specific_provision NUMERIC(18, 2) NOT NULL,
    general_provision NUMERIC(18, 2) NOT NULL,
    total_provision NUMERIC(18, 2) NOT NULL,
    calculated_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

Thiết kế API Endpoints

  • POST /api/v1/credit/sme-scoring: Tiếp nhận hồ sơ tài chính, trả về điểm tín dụng và phân nhóm rủi ro.
  • POST /api/v1/risk/calculate-provision: Tính toán dự phòng cụ thể và dự phòng chung dựa trên giá trị khấu trừ của TSBĐ ($C$) và tỷ lệ $r$.
  • GET /api/v1/portfolio/npl-metrics: Truy vấn báo cáo tổng hợp tỷ lệ nợ xấu, nợ quá hạn và tỷ lệ bao phủ nợ xấu theo từng phân khúc.

Implementation và kết quả

Quy trình phân tích và thuật toán nghiệp vụ

Thuật toán tính toán trích lập dự phòng rủi ro tín dụng cụ thể ($R$) và dự phòng chung ($R_{gen}$) theo quy định tại Điều 10, Điều 12 Thông tư 11/2021/TT-NHNN được triển khai bằng mã nguồn chuẩn hóa:

from decimal import Decimal
from typing import Dict, Any

def calculate_loan_loss_provision(
    outstanding_principal: Decimal,
    collateral_deductible: Decimal,
    debt_group: int
) -> Dict[str, Any]:
    """
    Tính toán chi phí dự phòng rủi ro tín dụng cụ thể và chung cho danh mục SME.
    Công thức: R = max(0, A - C) * r
    Dự phòng chung: R_gen = 0.75% * A (đối với nợ nhóm 1 đến 4)
    """
    provision_rates = {
        1: Decimal('0.00'),  # Nhóm 1: Nợ đủ tiêu chuẩn
        2: Decimal('0.05'),  # Nhóm 2: Nợ cần chú ý
        3: Decimal('0.20'),  # Nhóm 3: Nợ dưới tiêu chuẩn
        4: Decimal('0.50'),  # Nhóm 4: Nợ nghi ngờ
        5: Decimal('1.00')   # Nhóm 5: Nợ có khả năng mất vốn
    }
    
    if debt_group not in provision_rates:
        raise ValueError(f"Nhóm nợ không hợp lệ: {debt_group}")
        
    rate = provision_rates[debt_group]
    net_exposure = max(Decimal('0.00'), outstanding_principal - collateral_deductible)
    specific_provision = net_exposure * rate
    
    # Tính dự phòng chung (0.75% cho nhóm 1 -> 4)
    if debt_group in [1, 2, 3, 4]:
        general_provision = outstanding_principal * Decimal('0.0075')
    else:
        general_provision = Decimal('0.00')
        
    total_provision = specific_provision + general_provision
    
    return {
        "debt_group": debt_group,
        "net_exposure": float(net_exposure),
        "specific_provision": float(specific_provision),
        "general_provision": float(general_provision),
        "total_provision": float(total_provision)
    }

# Ví dụ thực thi với khoản vay SME 5 tỷ VND, TSBĐ định giá khấu trừ 3 tỷ VND, nợ chuyển Nhóm 3
result = calculate_loan_loss_provision(
    outstanding_principal=Decimal('5000000000.00'),
    collateral_deductible=Decimal('3000000000.00'),
    debt_group=3
)
# Kết quả: Specific Provision = 400.000.000 VND; General Provision = 37.500.000 VND

Kết quả đo lường và thẩm định hiệu quả hoạt động

Toàn bộ hệ thống MB và đơn vị đầu tàu MB SGD1 đã hoàn thành xuất sắc các mục tiêu chiến lược giai đoạn 2017–2021, thể hiện qua các chỉ số tài chính vững chắc:

Chỉ số tài chính / Hiệu quả Năm 2019 Năm 2020 Năm 2021 Tăng trưởng / Đánh giá
Tổng tài sản Tập đoàn (Tỷ đồng) 411.488 494.982 607.140 +22,7% YoY (Vững chắc)
Lợi nhuận trước thuế (Tỷ đồng) 10.036 10.688 16.527 +54,6% so với 2020
Vốn điều lệ (Tỷ đồng) 23.727 27.987 37.783 Tăng năng lực đệm vốn
Tỷ lệ nợ xấu (NPL - Toàn tập đoàn) 1,16% 1,09% 0,90% Kiểm soát chặt chẽ (<1%)
Tỷ lệ nợ xấu (Riêng Ngân hàng mẹ) 0,98% 0,92% 0,68% Thuộc top thấp nhất ngành
Tỷ lệ bao phủ nợ xấu (LLC) 110,5% 134,1% 349,0% Bộ đệm rủi ro cực đại
Tỷ lệ Chi phí / Thu nhập (CIR) 39,20% 38,60% 33,06% Giảm ~5,5% nhờ chuyển đổi số
Tỷ suất sinh lời trên VCSH (ROE) 21,50% 20,20% 23,49% Hiệu quả sinh lời vượt trội
Số lượng khách hàng số (Users) 3,5 Triệu 6,6 Triệu 12,9 Triệu Tăng trưởng đột phá

Đổi mới và đóng góp

Đổi mới về giải pháp công nghệ và mô hình quản trị

  1. Chiến lược số hóa danh mục SME (Digital SME Lending): Triển khai ứng dụng BIZ MBBank tích hợp hơn 260 tính năng mới trong năm 2021, xử lý hơn 390 triệu giao dịch qua kênh số, tạo ra 3.000 tỷ đồng doanh thu thuần từ kênh số.
  2. Cơ chế quản trị rủi ro đa lớp (Multi-layer Credit Risk Management): Kết hợp chặt chẽ giữa chấm điểm tài chính truyền thống và mô hình phân tích dòng tiền thực tế qua tài khoản doanh nghiệp, giảm thiểu tỷ lệ gian lận hồ sơ.
  3. Mô hình tối ưu hóa chi phí vốn qua CASA: MB duy trì tỷ lệ tiền gửi không kỳ hạn (CASA) ở mức dẫn đầu thị trường (>48%), tạo điều kiện giảm lãi suất cho vay SME mà vẫn duy trì biên lãi thuần (NIM) ở mức tối ưu.
                  SO SÁNH HIỆU QUẢ CẢI TIẾN
                  
Thời gian phê duyệt hồ sơ:
  Truyền thống: [====================================] 120 giờ
  BIZ MBBank:   [====] 15 giờ (-87.5%)

Tỷ lệ chi phí trên thu nhập (CIR):
  Toàn ngành TB: [=============] 41.5%
  MB 2021:       [==========] 33.06% (-8.44%)

Tỷ lệ bao phủ nợ xấu (LLC):
  Toàn ngành TB: [======] 150%
  MB 2021:       [===============> 349% (+199%)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tế (Real-world Scenarios)

  • Tài trợ vốn lưu động linh hoạt theo mùa vụ: Doanh nghiệp thương mại quy mô nhỏ tại Hà Nội có nhu cầu nhập hàng đột xuất có thể kích hoạt hạn mức thấu chi tức thì trên BIZ MBBank với tài sản bảo đảm là số dư tiền gửi hoặc hợp đồng đầu ra có bảo lãnh.
  • Bao thanh toán và Chiết khấu hóa đơn điện tử: Tự động đối soát hóa đơn VAT điện tử qua cổng kết nối Tổng cục Thuế, giải ngân trong vòng 2 giờ mà không cần tài sản thế chấp truyền thống.

Kế hoạch và Lộ trình triển khai (Roadmap)

  • Giai đoạn 1 (Q1-Q2/2022): Chuẩn hóa toàn bộ danh mục phân loại nợ theo Thông tư 11/2021/TT-NHNN, triển khai thuật toán tính trích lập tự động cho 100% chi nhánh cấp 1.
  • Giai đoạn 2 (Q3-Q4/2022): Mở rộng các sản phẩm tài trợ chuỗi cung ứng (Supply Chain Finance) trên nền tảng BIZ MBBank.
  • Giai đoạn 3 (2023–2026): Áp dụng toàn diện chuẩn mực Basel II nâng cao và từng bước thí điểm chuẩn mực quốc tế Basel III cho phân khúc khách hàng SME.

Hạn chế và hướng phát triển

Hạn chế còn tồn tại

  • Độ bao phủ dữ liệu phi tài chính: Nguồn dữ liệu hành vi của các doanh nghiệp siêu nhỏ mới thành lập (< 1 năm) còn mỏng, gây khó khăn cho việc chấm điểm tự động.
  • Rủi ro chu kỳ kinh tế vĩ mô: Biến động lãi suất và áp lực lạm phát có thể làm suy giảm khả năng trả nợ gốc và lãi đúng hạn của các doanh nghiệp trong nhóm ngành bán lẻ và xây lắp.

Hướng nghiên cứu và phát triển

  • Tích hợp công nghệ học máy (XGBoost, LightGBM) trên dữ liệu hóa đơn điện tử và giao dịch logistics để nâng cao năng lực dự báo vỡ nợ sớm (Early Warning System - EWS).
  • Mở rộng kết nối Open Banking API với các phần mềm kế toán phổ biến (MISA, FAST) nhằm tự động lấy dữ liệu sổ sách kế toán phục vụ thẩm định liên tục.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên khối ngành Tài chính - Ngân hàng: Nguồn tài liệu tham khảo giá trị về phương pháp luận kết hợp phân loại nợ theo Thông tư 11/2021/TT-NHNN và khung chuẩn Basel II.
  • Kỹ sư FinTech & Chuyên viên Phân tích Dữ liệu: Hiểu rõ cấu trúc dữ liệu tài chính, công thức tính toán dự phòng rủi ro để thiết kế các module Credit Underwriting.
  • Chủ doanh nghiệp SME: Nắm bắt các tiêu chí đánh giá tín nhiệm của ngân hàng nhằm chủ động hoàn thiện hồ sơ năng lực tài chính và tiếp cận nguồn vốn ưu đãi.
  • Cán bộ Tín dụng & Quản trị rủi ro: Khung tham chiếu chuẩn mực để rà soát danh mục cho vay, kiểm soát nợ quá hạn và tối ưu hóa quy trình nghiệp vụ tại chi nhánh.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật cốt lõi để triển khai hệ thống quản trị tín dụng tự động là gì?
    Hệ thống yêu cầu hạ tầng tích hợp Core Banking (chuẩn API RESTful hoặc SOAP/ISO), cơ sở dữ liệu quan hệ bảo mật cao (PostgreSQL/Oracle) và cổng kết nối dữ liệu CIC, Tổng cục Thuế với độ trễ phản hồi $< 1000\text{ ms}$.

  2. Công thức tính Dự phòng rủi ro cụ thể được xác định như thế nào?
    Số tiền dự phòng cụ thể được tính theo công thức:
    $$R = \max{0, (A - C)} \times r$$
    Trong đó $A$ là dư nợ gốc, $C$ là giá trị khấu trừ của TSBĐ đã được chiết khấu theo quy định, và $r$ là tỷ lệ trích lập tương ứng từng nhóm nợ ($0%, 5%, 20%, 50%, 100%$).

  3. Làm thế nào để hệ thống tích hợp với quy trình kiểm tra lịch sử tín dụng CIC?
    Hệ thống kết nối qua Secure API Gateway với Trung tâm Thông tin Tín dụng Quốc gia (CIC), thực hiện tra cứu tự động mã định danh doanh nghiệp và trả về lịch sử nợ quá hạn 5 nhóm trong vòng 3–5 năm.

  4. Tỷ lệ bao phủ nợ xấu (LLC) 349% của MB năm 2021 có ý nghĩa gì đối với an toàn vốn?
    Tỷ lệ này thể hiện với mỗi 1 đồng nợ xấu, ngân hàng đã trích lập tới 3,49 đồng dự phòng rủi ro. Đây là tấm đệm tài chính cực kỳ vững chắc giúp MB hoàn toàn chủ động xử lý rủi ro mất vốn mà không làm ảnh hưởng tiêu cực đến lợi nhuận trong tương lai.

  5. Lộ trình hoàn vốn (ROI) khi chuyển đổi mô hình cấp tín dụng SME từ truyền thống sang số hóa là bao lâu?
    Thời gian hoàn vốn trung bình dao động từ 18–24 tháng nhờ tiết kiệm 65% chi phí nhân sự xử lý hồ sơ, giảm tỷ lệ nợ xấu và gia tăng quy mô khách hàng mới bình quân 30–40%/năm.


Kết luận

Khóa luận đã giải quyết trọn vẹn bài toán đánh giá và nâng cao hiệu quả tín dụng đối với khách hàng DNVVN tại NHTMCP Quân đội – Chi nhánh Sở giao dịch 1. Thông qua bức tranh tài chính xuất sắc giai đoạn 2019–2021 với tổng tài sản đạt 607.140 tỷ đồng, lợi nhuận trước thuế 16.527 tỷ đồng, tỷ lệ nợ xấu kiểm soát ở mức 0,90% (ngân hàng mẹ 0,68%) và tỷ lệ bao phủ nợ xấu đạt 349%, MB đã khẳng định vị thế ngân hàng số tiên phong tại Việt Nam. Sự kết hợp giữa chuẩn mực quản trị rủi ro Basel II, Thông tư 11/2021/TT-NHNN và nền tảng ngân hàng số BIZ MBBank chính là mô hình kiểu mẫu cho toàn ngành ngân hàng hướng tới phát triển bền vững và an toàn vốn trong kỷ nguyên số.